[memprof] Upgrade a unit test to MemProf Version 3 (#117063)
[llvm-project.git] / clang / docs / DataFlowSanitizerDesign.rst
blob4f60391d9f5e0552315681634ea37c1f99d4965a
1 DataFlowSanitizer Design Document
2 =================================
4 This document sets out the design for DataFlowSanitizer, a general
5 dynamic data flow analysis.  Unlike other Sanitizer tools, this tool is
6 not designed to detect a specific class of bugs on its own. Instead,
7 it provides a generic dynamic data flow analysis framework to be used
8 by clients to help detect application-specific issues within their
9 own code.
11 DataFlowSanitizer is a program instrumentation which can associate
12 a number of taint labels with any data stored in any memory region
13 accessible by the program. The analysis is dynamic, which means that
14 it operates on a running program, and tracks how the labels propagate
15 through that program.
17 Use Cases
18 ---------
20 This instrumentation can be used as a tool to help monitor how data
21 flows from a program's inputs (sources) to its outputs (sinks).
22 This has applications from a privacy/security perspective in that
23 one can audit how a sensitive data item is used within a program and
24 ensure it isn't exiting the program anywhere it shouldn't be.
26 Interface
27 ---------
29 A number of functions are provided which will attach taint labels to
30 memory regions and extract the set of labels associated with a
31 specific memory region. These functions are declared in the header
32 file ``sanitizer/dfsan_interface.h``.
34 .. code-block:: c
36   /// Sets the label for each address in [addr,addr+size) to \c label.
37   void dfsan_set_label(dfsan_label label, void *addr, size_t size);
39   /// Sets the label for each address in [addr,addr+size) to the union of the
40   /// current label for that address and \c label.
41   void dfsan_add_label(dfsan_label label, void *addr, size_t size);
43   /// Retrieves the label associated with the given data.
44   ///
45   /// The type of 'data' is arbitrary.  The function accepts a value of any type,
46   /// which can be truncated or extended (implicitly or explicitly) as necessary.
47   /// The truncation/extension operations will preserve the label of the original
48   /// value.
49   dfsan_label dfsan_get_label(long data);
51   /// Retrieves the label associated with the data at the given address.
52   dfsan_label dfsan_read_label(const void *addr, size_t size);
54   /// Returns whether the given label contains the label elem.
55   int dfsan_has_label(dfsan_label label, dfsan_label elem);
57   /// Computes the union of \c l1 and \c l2, resulting in a union label.
58   dfsan_label dfsan_union(dfsan_label l1, dfsan_label l2);
60   /// Flushes the DFSan shadow, i.e. forgets about all labels currently associated
61   /// with the application memory.  Use this call to start over the taint tracking
62   /// within the same process.
63   ///
64   /// Note: If another thread is working with tainted data during the flush, that
65   /// taint could still be written to shadow after the flush.
66   void dfsan_flush(void);
68 The following functions are provided to check origin tracking status and results.
70 .. code-block:: c
72   /// Retrieves the immediate origin associated with the given data. The returned
73   /// origin may point to another origin.
74   ///
75   /// The type of 'data' is arbitrary. The function accepts a value of any type,
76   /// which can be truncated or extended (implicitly or explicitly) as necessary.
77   /// The truncation/extension operations will preserve the label of the original
78   /// value.
79   dfsan_origin dfsan_get_origin(long data);
81   /// Retrieves the very first origin associated with the data at the given
82   /// address.
83   dfsan_origin dfsan_get_init_origin(const void *addr);
85   /// Prints the origin trace of the label at the address `addr` to stderr. It also
86   /// prints description at the beginning of the trace. If origin tracking is not
87   /// on, or the address is not labeled, it prints nothing.
88   void dfsan_print_origin_trace(const void *addr, const char *description);
90   /// Prints the origin trace of the label at the address `addr` to a pre-allocated
91   /// output buffer. If origin tracking is not on, or the address is`
92   /// not labeled, it prints nothing.
93   ///
94   /// `addr` is the tainted memory address whose origin we are printing.
95   /// `description` is a description printed at the beginning of the trace.
96   /// `out_buf` is the output buffer to write the results to. `out_buf_size` is
97   /// the size of `out_buf`. The function returns the number of symbols that
98   /// should have been written to `out_buf` (not including trailing null byte '\0').
99   /// Thus, the string is truncated iff return value is not less than `out_buf_size`.
100   size_t dfsan_sprint_origin_trace(const void *addr, const char *description,
101                                    char *out_buf, size_t out_buf_size);
103   /// Returns the value of `-dfsan-track-origins`.
104   int dfsan_get_track_origins(void);
106 The following functions are provided to register hooks called by custom wrappers.
108 .. code-block:: c
110   /// Sets a callback to be invoked on calls to `write`.  The callback is invoked
111   /// before the write is done. The write is not guaranteed to succeed when the
112   /// callback executes. Pass in NULL to remove any callback.
113   typedef void (*dfsan_write_callback_t)(int fd, const void *buf, size_t count);
114   void dfsan_set_write_callback(dfsan_write_callback_t labeled_write_callback);
116   /// Callbacks to be invoked on calls to `memcmp` or `strncmp`.
117   void dfsan_weak_hook_memcmp(void *caller_pc, const void *s1, const void *s2,
118                               size_t n, dfsan_label s1_label,
119                               dfsan_label s2_label, dfsan_label n_label);
120   void dfsan_weak_hook_strncmp(void *caller_pc, const char *s1, const char *s2,
121                               size_t n, dfsan_label s1_label,
122                               dfsan_label s2_label, dfsan_label n_label);
124 Taint label representation
125 --------------------------
127 We use an 8-bit unsigned integer for the representation of a
128 label. The label identifier 0 is special, and means that the data item
129 is unlabelled. This is optimizing for low CPU and code size overhead
130 of the instrumentation. When a label union operation is requested at a
131 join point (any arithmetic or logical operation with two or more
132 operands, such as addition), we can simply OR the two labels in O(1).
134 Users are responsible for managing the 8 integer labels (i.e., keeping
135 track of what labels they have used so far, picking one that is yet
136 unused, etc).
138 Origin tracking trace representation
139 ------------------------------------
141 An origin tracking trace is a list of chains. Each chain has a stack trace
142 where the DFSan runtime records a label propagation, and a pointer to its
143 previous chain. The very first chain does not point to any chain.
145 Every four 4-bytes aligned application bytes share a 4-byte origin trace ID. A
146 4-byte origin trace ID contains a 4-bit depth and a 28-bit hash ID of a chain.
148 A chain ID is calculated as a hash from a chain structure. A chain structure
149 contains a stack ID and the previous chain ID. The chain head has a zero
150 previous chain ID. A stack ID is a hash from a stack trace. The 4-bit depth
151 limits the maximal length of a path. The environment variable ``origin_history_size``
152 can set the depth limit. Non-positive values mean unlimited. Its default value
153 is 16. When reaching the limit, origin tracking ignores following propagation
154 chains.
156 The first chain of a trace starts by `dfsan_set_label` with non-zero labels. A
157 new chain is appended at the end of a trace at stores or memory transfers when
158 ``-dfsan-track-origins`` is 1. Memory transfers include LLVM memory transfer
159 instructions, glibc memcpy and memmove. When ``-dfsan-track-origins`` is 2, a
160 new chain is also appended at loads.
162 Other instructions do not create new chains, but simply propagate origin trace
163 IDs. If an instruction has more than one operands with non-zero labels, the origin
164 treace ID of the last operand with non-zero label is propagated to the result of
165 the instruction.
167 Memory layout and label management
168 ----------------------------------
170 The following is the memory layout for Linux/x86\_64:
172 +---------------+---------------+--------------------+
173 |    Start      |    End        |        Use         |
174 +===============+===============+====================+
175 | 0x700000000000|0x800000000000 |    application 3   |
176 +---------------+---------------+--------------------+
177 | 0x610000000000|0x700000000000 |       unused       |
178 +---------------+---------------+--------------------+
179 | 0x600000000000|0x610000000000 |      origin 1      |
180 +---------------+---------------+--------------------+
181 | 0x510000000000|0x600000000000 |    application 2   |
182 +---------------+---------------+--------------------+
183 | 0x500000000000|0x510000000000 |      shadow 1      |
184 +---------------+---------------+--------------------+
185 | 0x400000000000|0x500000000000 |       unused       |
186 +---------------+---------------+--------------------+
187 | 0x300000000000|0x400000000000 |      origin 3      |
188 +---------------+---------------+--------------------+
189 | 0x200000000000|0x300000000000 |      shadow 3      |
190 +---------------+---------------+--------------------+
191 | 0x110000000000|0x200000000000 |      origin 2      |
192 +---------------+---------------+--------------------+
193 | 0x100000000000|0x110000000000 |       unused       |
194 +---------------+---------------+--------------------+
195 | 0x010000000000|0x100000000000 |      shadow 2      |
196 +---------------+---------------+--------------------+
197 | 0x000000000000|0x010000000000 |    application 1   |
198 +---------------+---------------+--------------------+
200 Each byte of application memory corresponds to a single byte of shadow
201 memory, which is used to store its taint label. We map memory, shadow, and
202 origin regions to each other with these masks and offsets:
204 * shadow_addr = memory_addr ^ 0x500000000000
206 * origin_addr = shadow_addr + 0x100000000000
208 As for LLVM SSA registers, we have not found it necessary to associate a label
209 with each byte or bit of data, as some other tools do. Instead, labels are
210 associated directly with registers.  Loads will result in a union of
211 all shadow labels corresponding to bytes loaded, and stores will
212 result in a copy of the label of the stored value to the shadow of all
213 bytes stored to.
215 Propagating labels through arguments
216 ------------------------------------
218 In order to propagate labels through function arguments and return values,
219 DataFlowSanitizer changes the ABI of each function in the translation unit.
220 There are currently two supported ABIs:
222 * Args -- Argument and return value labels are passed through additional
223   arguments and by modifying the return type.
225 * TLS -- Argument and return value labels are passed through TLS variables
226   ``__dfsan_arg_tls`` and ``__dfsan_retval_tls``.
228 The main advantage of the TLS ABI is that it is more tolerant of ABI mismatches
229 (TLS storage is not shared with any other form of storage, whereas extra
230 arguments may be stored in registers which under the native ABI are not used
231 for parameter passing and thus could contain arbitrary values).  On the other
232 hand the args ABI is more efficient and allows ABI mismatches to be more easily
233 identified by checking for nonzero labels in nominally unlabelled programs.
235 Implementing the ABI list
236 -------------------------
238 The `ABI list <DataFlowSanitizer.html#abi-list>`_ provides a list of functions
239 which conform to the native ABI, each of which is callable from an instrumented
240 program.  This is implemented by replacing each reference to a native ABI
241 function with a reference to a function which uses the instrumented ABI.
242 Such functions are automatically-generated wrappers for the native functions.
243 For example, given the ABI list example provided in the user manual, the
244 following wrappers will be generated under the args ABI:
246 .. code-block:: llvm
248     define linkonce_odr { i8*, i16 } @"dfsw$malloc"(i64 %0, i16 %1) {
249     entry:
250       %2 = call i8* @malloc(i64 %0)
251       %3 = insertvalue { i8*, i16 } undef, i8* %2, 0
252       %4 = insertvalue { i8*, i16 } %3, i16 0, 1
253       ret { i8*, i16 } %4
254     }
256     define linkonce_odr { i32, i16 } @"dfsw$tolower"(i32 %0, i16 %1) {
257     entry:
258       %2 = call i32 @tolower(i32 %0)
259       %3 = insertvalue { i32, i16 } undef, i32 %2, 0
260       %4 = insertvalue { i32, i16 } %3, i16 %1, 1
261       ret { i32, i16 } %4
262     }
264     define linkonce_odr { i8*, i16 } @"dfsw$memcpy"(i8* %0, i8* %1, i64 %2, i16 %3, i16 %4, i16 %5) {
265     entry:
266       %labelreturn = alloca i16
267       %6 = call i8* @__dfsw_memcpy(i8* %0, i8* %1, i64 %2, i16 %3, i16 %4, i16 %5, i16* %labelreturn)
268       %7 = load i16* %labelreturn
269       %8 = insertvalue { i8*, i16 } undef, i8* %6, 0
270       %9 = insertvalue { i8*, i16 } %8, i16 %7, 1
271       ret { i8*, i16 } %9
272     }
274 As an optimization, direct calls to native ABI functions will call the
275 native ABI function directly and the pass will compute the appropriate label
276 internally.  This has the advantage of reducing the number of union operations
277 required when the return value label is known to be zero (i.e. ``discard``
278 functions, or ``functional`` functions with known unlabelled arguments).
280 Checking ABI Consistency
281 ------------------------
283 DFSan changes the ABI of each function in the module.  This makes it possible
284 for a function with the native ABI to be called with the instrumented ABI,
285 or vice versa, thus possibly invoking undefined behavior.  A simple way
286 of statically detecting instances of this problem is to append the suffix
287 ".dfsan" to the name of each instrumented-ABI function.
289 This will not catch every such problem; in particular function pointers passed
290 across the instrumented-native barrier cannot be used on the other side.
291 These problems could potentially be caught dynamically.